{"id":738,"date":"2025-02-07T08:19:37","date_gmt":"2025-02-07T07:19:37","guid":{"rendered":"https:\/\/www.hsu-hh.de\/dataeng\/?page_id=738"},"modified":"2025-11-18T17:16:22","modified_gmt":"2025-11-18T16:16:22","slug":"smartship","status":"publish","type":"page","link":"https:\/\/www.hsu-hh.de\/dataeng\/forschung\/aktuelle-projekte\/smartship\/","title":{"rendered":"BMVg, DTEC: SmartShip"},"content":{"rendered":"\n

SmartShip \u2013 Digitale Zwillinge f\u00fcr Intelligente Schiffe und f\u00fcr Schiffsflotten<\/strong><\/strong><\/p>\n\n\n\n

DTEC: https:\/\/dtecbw.de\/home\/forschung\/hsu\/projekt-smartship<\/a><\/p>\n\n\n\n

Die Seenotrettung ist ein essenzieller Bestandteil der maritimen Arbeitswelt. Ihre Aufgabe, die Suche und Rettung auf See, wird zunehmend anspruchsvoller, denn der expandierende Schiffsverkehr macht Rettungsaktionen aufw\u00e4ndiger und schwieriger. Technologische Fortschritte wie die Automatisierung und die digitale Datenverarbeitung k\u00f6nnen der Crew helfen, diese Herausforderungen besser zu bew\u00e4ltigen. Methoden des maschinellen Lernens (ML) und die Nutzung von k\u00fcnstlicher Intelligenz (KI) haben das Potenzial, die Schiffsbesatzung zu unterst\u00fctzen und das Outcome von Rettungsaktionen bedeutsam zu steigern. Derartige Techniken k\u00f6nnen die F\u00e4higkeiten der Besatzung erweitern, um die Instandhaltung der Schiffe und die Suche auf See zu optimieren. F\u00fcr dieses Vorhaben ist es erforderlich, Schiffe mit entsprechenden Sensoren auszustatten und angemessen zu vernetzen.<\/p>\n\n\n\n

SmartShip I (Abgeschlossen: 01.09.2020 \u2013 31.12.2024)<\/p>\n\n\n\n

Zu diesem Zweck sollen Schiffe mit neuen Sensoren ausgestattet werden. Unter anderem geh\u00f6ren dazu Kamerasysteme, welche die Umgebung aufnehmen und Bilddaten zur Auswertung liefern. Eingerichtete IT<\/abbr>\/KI-Systeme sollen zu Testzwecken umgebaut und mit einem digitalen Zwilling verkn\u00fcpft werden. Ziel ist es, einen digitalen Zwilling zu entwickeln, welcher die an Bord befindlichen Maschinen \u00fcberwacht und Vorhersagen, basierend auf den Sensordaten, trifft. Dadurch wird sich erhofft, dass diese Prognosen die Lebensdauer der Maschinen verl\u00e4ngern, indem fr\u00fchzeitig eingegriffen werden kann und Wartungsarbeiten vorgenommen werden k\u00f6nnen. Ein digitaler Zwilling eignet sich f\u00fcr diesen Anwendungsfall besonders gut, da er in der Lage ist, heterogene Daten (AIS, Wetter, Bilder, etc.<\/abbr>) gleicherma\u00dfen zu verarbeiten und f\u00fcr Vorhersagen nutzen zu k\u00f6nnen. Prognosen basieren dabei auf der Abweichung von Sensordaten der Ist-Zust\u00e4nde mit Sensordaten der Soll-Zust\u00e4nde.<\/p>\n\n\n\n

Ein zus\u00e4tzlicher digitaler Zwilling soll f\u00fcr gesamte Schiffsflotten entwickelt werden, um ihr Verhalten zu analysieren. Mittels dieser Informationen k\u00f6nnen zuk\u00fcnftige Eins\u00e4tze sowie Such- und Rettungsaktionen besser geplant, koordiniert und durchgef\u00fchrt werden. Erlangte Kenntnisse k\u00f6nnen dann grunds\u00e4tzlich zur Optimierung der Flotten beitragen. Kombiniert mit Systemen zur Anomalieerkennung mit Echtzeitdatenerfassung, k\u00f6nnen Kosten reduziert werden, indem Liegezeiten und Betriebsressourcen minimiert werden.<\/p>\n\n\n\n

SmartShip II (Laufend: 01.01.2025 – heute)<\/p>\n\n\n\n

In der Vergangenheit wurden digitale Zwillinge entwickelt, ML-Algorithmen zur Anomalieerkennung betrieben und ebenfalls ein Prototyp eines Kamerasystems entwickelt, welches der Objekterkennung dient. Nun fokussiert sich die Forschung auf die Standardisierung der Datenarchitekturen und Algorithmen, um den Anwendungsbereich der Modelle zu erweitern und f\u00fcr effiziente KI-Nutzung vorzubereiten. Die bisher entwickelten digitalen Zwillinge sollen f\u00fcr unterschiedliche Schiffsklassen standardisiert und so angepasst werden, dass sie direkt KI-kompatibel sind. Auf diese Weise k\u00f6nnen wir gew\u00e4hrleisten, dass sie problemlos mit weiteren KI-Technologien kombiniert werden k\u00f6nnen. Eine dieser Technologien ist das Prognostics & Health Management (PHM), welche sich mit der Erhaltung der systemtechnischen Gesundheitserhaltung befasst.<\/p>\n\n\n\n

Large Language Models (LLMs) k\u00f6nnen komplexe Fachdom\u00e4nen darstellen und wiedergeben. Kombiniert man eine derartige Komponente mit einem PHM-System, kann die Besatzung von dieser Mensch-Maschinen-Interaktion profitieren. Um das LLM stetig mit Expertenwissen anzureichern, soll eine sprachliche Schnittstelle entwickelt werden, \u00fcber die die Schiffsbesatzung mit dem PHM kommunizieren kann.<\/p>\n\n\n\n

Bekannte Herausforderungen in der Seenotrettung sind schlechte Wetterbedingungen, welche die Suche nach Schiffbr\u00fcchigen und vermissten Leuten erschweren. Kamerasystem, welche nur auf dem sichtbaren Spektrum basieren, sind h\u00e4ufig nicht ausreichend, da sie ebenfalls durch Nebel und Regen stark beeintr\u00e4chtigt werden. Daher macht sich SmartShip nun das Ziel, mehrere Kamerasysteme (z. B. Thermalkameras) und Radarsignale zu kombinieren, um mehrere Quellen auswerten zu k\u00f6nnen. Gesammelte Erkenntnisse und Daten sollen helfen, die Genauigkeit der Objekterkennung zu verbessern.<\/p>\n\n\n\n

SmartShip wird vom Bundesministerium der Verteidigung (BMVg) im Rahmen des DTEC-F\u00f6rderprogramms gef\u00f6rdert.<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

SmartShip \u2013 Digitale Zwillinge f\u00fcr Intelligente Schiffe und f\u00fcr Schiffsflotten DTEC: https:\/\/dtecbw.de\/home\/forschung\/hsu\/projekt-smartship Die Seenotrettung ist ein essenzieller Bestandteil der maritimen Arbeitswelt. Ihre Aufgabe, die Suche und Rettung auf See, wird […]<\/p>\n","protected":false},"author":4068,"featured_media":0,"parent":204,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-738","page","type-page","status-publish","hentry","category-forschung"],"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/738","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/users\/4068"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/comments?post=738"}],"version-history":[{"count":8,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/738\/revisions"}],"predecessor-version":[{"id":1239,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/738\/revisions\/1239"}],"up":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/pages\/204"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/media?parent=738"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/categories?post=738"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/dataeng\/wp-json\/wp\/v2\/tags?post=738"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}